Instituto Tecnológico de Colima

Departamento de Ingeniería Industrial

TEORÌA DE DECISIÒN

Nombre del Alumno: Narda Yusely Deniz Casillas

Nombre del Maestro: Jesùs Francisco Tejeda Castrejon.

Nombre de la Carrera

Ingeniería Industrial

Villa de Álvarez, Col., a 29 de septiembre de 2023

Av. Tecnológico #1, Col. Liberación C.P. 28976, Villa de Álvarez, Colima, Tel. 312 3129920 ext. 215 y
115 Correo electrónico: industrial@[Link] [Link] | [Link]
 Índice.

Introducción............................................................................................................................................ 3
3.1. Características generales............................................................................................................... 4
3.2. Criterios de decisión deterministas y probabilistas.....................................................................6
3.3. Valor de la información perfecta.................................................................................................... 8
3.4. Árboles de decisión.........................................................................................................................9
3.5. Teoría de utilidad........................................................................................................................... 12
3.6. Análisis de sensibilidad................................................................................................................ 14
3.7. Decisiones secuenciales...............................................................................................................16
3.8. Uso de software............................................................................................................................. 18
Conclusión............................................................................................................................................ 20
Bibliografía:........................................................................................................................................... 22
 Introducción.
La resolución de problemas es un área de oportunidad y crecimiento que se presenta en
diversos ámbitos de la vida, desde las relaciones personales hasta áreas de ámbito
empresarial. Gracias a los problemas podemos desarrollar diversos métodos y alternativas
que nos ayuden a encontrar un sin fin de respuestas para nuestras problemáticas iniciales, y
a partir de ahí determinar cuál es la más conveniente, y cual es la que nos otorgan la
satisfacción deseada.
Tomando en consideración lo anterior, podemos intervenir un concepto de suma relevancia
que nos ayuda a tomar decisiones en conjunto a una gran variedad de respuestas
presentadas, conocida como la programación dinámica, la programación dinámica es una
herramienta de trabajo esencial para la resolución de problemas complejos, dado que esta
nos permite aplicar una diversificación de resoluciones a través de diversos métodos
matemáticos y exactos, citando a una de las universidades con mayor prestigio en nuestro
país, conocida por el nombre UNAM podemos definir a la programación dinámica como: ´´una
técnica matemática que se utiliza para la solución de problemas matemáticos seleccionados,
en los cuales se toma un serie de decisiones en forma secuencial. Proporciona un
procedimiento sistemático para encontrar la combinación de decisiones que maximice la
efectividad total, al descomponer el problema en etapas, las que pueden ser completadas por
una o más formas (estados), y enlazando cada etapa a través de cálculos recursivos
´´(Flores, I. (n.d.). ) . Así pues, podemos darnos una idea concreta de lo importante que
resulta que antes de tomar una decisión consideremos los múltiples factores variables que se
pudiesen presentar a lo largo de la ejecución del proceso que se esté llevando a cabo. De la
misma manera, destaca el uso de la probabilidad para la determinación de que se puedan
presentar susodichos eventos en el proceso.

La toma de una decisión en ámbitos como el laboral, o financiero no es una que se deba a
tomar al azar, sino que es crucial que se tengan una sede de bases y procedimientos de
datos históricos y de tenencia trabajando en conjunto que nos permita determinar la elección
más factible y conveniente. Es por ello por lo cual se recurre precisamente a la teoría de
decisión, esta técnica matemática y de optimización juega un papel crucial en la resolución de
problemas complejos que implican la toma de decisiones estratégicas y operativas, puesto
que nos permite desarrollar criterios lógicos, matemáticos y comprobables que nos
determinan el camino adecuado a elegir, a través de diversos conceptos como lo son: los
árboles de decisión el valor monetario de la información perfecta, los criterios de decisión
probabilística, las decisiones secuenciales y los análisis de sensibilidad, los cuales serán
desarrollados más adelante. La toma de decisiones eficaz es esencial para la gestión de
recursos, la planificación de proyectos, la optimización de procesos y la mejora de la
eficiencia en una variedad de contextos industriales y empresariales. La programación
dinámica nos brinda la capacidad de abordar problemas de gran tamaño y complejidad, lo que
es particularmente relevante en un entorno donde la optimización y la eficiencia son
esenciales para el éxito.
3.1. Características generales
En términos generales, la teoría de decisiones se ocupa de decisiones contra la naturaleza.
Esta frase se refiere a una situación donde el resultado (rendimiento) de una decisión
individual depende de la acción de otro agente (naturaleza), sobre el cual no se tiene control.
Por ejemplo, si la decisión consiste en llevar o no paraguas, el rendimiento (mojarse o no)
dependerá del estado subsiguiente de la naturaleza. Es importante observar que en este
modelo los rendimientos afectan únicamente al que toma la decisión. A la naturaleza no le
importa cuál es el resultado. Esta condición distingue la teoría de decisiones de la teoría de
juegos. En la teoría de los juegos ambos jugadores tienen un interés económico en el
resultado. En los modelos de la teoría de decisiones, la pieza fundamental de información es
la tabla de retribuciones. Las decisiones alternativas están numeradas en un lado de la tabla y
los posibles estados de la naturaleza están indicados en la parte superior. Las entradas del
cuerpo de la tabla son las retribuciones para todas las combinaciones posibles de decisiones
y estados de la naturaleza. El proceso de decisión es como sigue:
1. Usted, quien toma la decisión, selecciona una de las decisiones alternativas md.
2. Una vez tomada su decisión, ocurre un estado de la naturaleza que queda fuera de su
control.
3. El rendimiento que usted reciba puede ser determinado ahora a partir de la tabla de
retribuciones.
La Teoría de la Decisión trata del estudio de los procesos de toma de decisiones desde una
perspectiva racional. En cuanto a decisión se refiere, existen dos enfoques sobresalientes:
➔ La teoría de la elección racional (Simon): desde una perspectiva descriptiva, nos
cuenta cómo son los procesos decisorios en las organizaciones. Los hombres aplican
su propia racionalidad limitada por su singular visión de la realidad.
➔ La teoría de la decisión: es una metodología prescriptiva 0 normativa que indica cómo
se debe decidir para ser consecuentes con los objetivos, preferencias y ciertos
principios impuestos por la teoría. (Cómo se debe decidir, pero que decidir).
Características:
● La teoría de la decisión es prescriptiva porque obliga al TD a proceder de una
determinada manera si quiere ser coherente con las premisas definidas.
● La teoría de la decisión es subjetiva porque, al prescribir, tiene en cuenta las
preferencias, las valoraciones, las vivencias y la visión del TD.
● La teoría de decisiones se ocupa de decisiones contra la naturaleza. Esta fase se
refiere a una situación donde el resultado (rendimiento) de una decisión individual
depende de la acción de otro agente (naturaleza) sobre el cual no se tiene control.
● El decisor (TD): Es el encargado de realizar la selección de alternativas de la mejor
manera, en función de sus objetivos.
● Las alternativas o cursos de acción: son las diferentes formas de actuar posibles: el TD
deberá seleccionar una de ellas.
 ● Los estados de la naturaleza: son las variables no controlables por el TD. Son eventos
futuros que influyen en el proceso de decisión, pero que no pueden ser controladas
antes, en su comportamiento por el TD.
● Los resultados: es lo que se obtiene ante la selección (la opción) de una alternativa
determinada cuando se presenta uno de los posibles estados de la naturaleza.
● La tabla de pagos (o tablas de decisión): sirven para tratar muchos problemas de
decisión y poseen los siguientes elementos: Los diferentes estados de la naturaleza sj
(1n,2n,., 5n), las distintas alternativas o cursos de acción, entre los cuales el TD deberá
seleccionar uno aj (a1,a2,..)

Etapas del proceso decisorio:

1. El TD debe identificar la existencia de un problema y poder definirlo.
2. EL TD debe recopilar más información acerca del problema.
3. El TD debe poder especificar
los objetivos. La decisión se
basa en seleccionar la mejor
alternativa en función de ciertos
4. EL TD debe elaborar un
modelo que describa el
problema
5. El TD debe generar soluciones
alternativas al problema y
evaluarlas en función de sus
preferencias (análisis
cualitativo y P análisis
cuantitativo)
6. El TD debe determinar el criterio de decisión que optimice la situación.
7. El TD debe predecir las consecuencias de cada actuación.
8. El TD debe establecer un sistema de preferencias. Tiene que realizar una valoración
de las consecuencias de acuerdo con una escala de bondad o deseabilidad.
9. El TD debe elegir entre las soluciones alternativas. Es necesario que seleccione un
curso de acción. Esta elección debe darse mediante un criterio de decisión adecuado.
10. El TD debe poner en práctica la solución seleccionada y evaluar los resultados. Lo que
modifica el universo, es la acción derivada de la decisión.
3.2. Criterios de decisión deterministas y probabilistas.
DETERMINISTAS.

Criterio en donde las entradas producirán las mismas salidas, sin tomar en cuenta el azar ni la
incertidumbre; se tiene disponible toda la información necesaria para la toma de decisiones.
Los tipos determinísticos son aquéllos donde se supone que todos los datos correspondientes
se conocen con certeza. O sea, en ellos se entraña que en cuanto el modelo sea analizado se
tendrá disponible toda la información precisa como para tomar las decisiones
correspondientes. Entonces se puede decir que el criterio de decisión determinístico es elegir
la alternativa que nos dará el mejor resultado en el futuro.
Los inconvenientes de tipo determinístico se llaman así pues el resultado de la solución será
determinado por los valores en principio o condiciones de inicio y este resultado siempre y en
todo momento será igualito y no va a existir variación alguna que otra en cuanto los evalúes
de entradas sean exactamente los mismos.

Características:
● Situación ideal para la toma de decisiones.
● Se conocen bien las variables.
● Se tiene mucha seguridad de lo que va a pasar en el futuro.
● La incertidumbre es mínima.
● Se elegirá la alternativa que proporcione el máximo resultado.
● No es una situación que se repita frecuentemente.
● Se dispone de toda la información necesaria para la toma de decisiones.

Ejemplo:

Se debe elegir un equipo industrial a instalar y, se está entre tres equipos de distinta
capacidad, funciones, facilidad de uso y [Link] sabe el beneficio que dicho equipo
proporcionará en base a la adaptación de los operarios, de forma que puede construir la
siguiente matriz de decisión:

Uso del criterio determinístico: Se está completamente seguro que los operarios se adaptarán
muy bien, entonces elegirá la alternativa 3, que da el mayor resultado
PROBABILÍSTICOS.

Los modelos probabilísticos son empleados como para protegerse de la inseguridad adversa,
y de la explotación de la propia incertidumbre. La Dificultad en la Evaluación de la
Probabilidad se obtiene de la información, la cual es módica, vaga, inconsistente, o bien
incompleta.
En estos modelos, no se conocen todos los elementos con certeza, es decir no se conoce el
valor de algunas variables aleatorias antes de la toma de decisiones y dicho desconocimiento
debe agregarse al modelo. Busca evaluar eventos que no se pueden controlar y los riesgos
de las decisiones.

Características:

● No se conoce el valor de la probabilidad de nuestras variables aleatorias.

● Se puede asignar un cierto valor subjetivo, pero debido a que las variables son más
grandes es más difícil de medir.
● Es necesario que el decisor tenga algún conocimiento sobre los estados de la
naturaleza para poder asignarle un valor subjetivo de probabilidad de ocurrencia
probabilidad.
● Tienen una cantidad de riesgo en cada decisión
● Se evalúan eventos incontrolables (o factores) y también se evalúa el riesgo de sus
decisiones.
● Esta situación es más frecuente en las empresas.
● Alto nivel de incertidumbre.
● Algunos elementos no son conocidos con certeza.

Ejemplo:

Suponga que el ejemplo anterior se ve modificado y usted no conoce a ciencia cierta lo que
puede pasar, por lo tanto con el conocimiento adquirido a través de los años usted determina
la probabilidad de que es lo que puede pasar, las probabilidades son 0.1, 0.4 y 0.5
respectivamente como se muestra a continuación:

Uso del criterio probabilístico: Este criterio se determina conforme los cálculos del valor
esperado donde a las variables se les da una probabilidad, la cual se determina con la
experiencia del tomador de la decisión, una vez hecho los cálculos se puede tomar la decisión
que da el mejor resultado.
3.3. Valor de la información perfecta.
El valor esperado con la información perfecta (VECIP) es el rendimiento esperado o
promedio, a largo plazo, si es que se tiene información perfecta antes de que se deba de
tomar la decisión. Para calcular este valor se elige la mejor alternativa de cada estado de la
naturaleza y se multiplica su ganancia por la probabilidad de que ocurra ese estado de la
naturaleza.

Dónde = probabilidad y MEN =Mejor pago del estado de la naturaleza.

El valor esperado de la información perfecta. es el valor esperado con información
perfecta menos el valor esperado sin la información perfecta,

El valor de la información perfecta puede ser especialmente relevante en situaciones en las

que se deben tomar decisiones costosas o estratégicas, como inversiones financieras,
desarrollo de productos, estrategias empresariales o decisiones de salud. En tales casos, si
se puede obtener información perfecta, es decir, información que elimine cualquier
incertidumbre y proporcione una visión clara y precisa de las consecuencias de cada opción,
la toma de decisiones se vuelve más efectiva.

El valor de la información perfecta se puede calcular al comparar el resultado esperado de

tomar una decisión con la información perfecta con el resultado esperado de tomar la misma
decisión sin esa información. Si la información perfecta conduce a un resultado mucho mejor
o menos riesgoso, entonces tiene un alto valor. Teniendo en cuenta lo anterior, entonces
podemos resumir que, el valor de la información perfecta es la cantidad en la que se podría
mejorar el rédito esperado si la persona supiera de antemano cuál es el evento que va a
ocurrir. Dicho valor se calcula mediante el siguiente procedimiento:
1. Identificar el mejor rédito para cada evento (si es ganancia, se elige el número más
alto; si es costo, tómese el menor número)
2. Calcular el valor esperado de esos mejores réditos multiplicando el mejor rédito para
cada evento por la probabilidad de que ese evento ocurra.
3. Restar del valor esperado del rédito obtenido sin información perfecta del valor
esperado del rédito obtenido con información perfecta. Esta diferencia es el valor de la
información perfecta.
3.4. Árboles de decisión.
Es un modelo de predicción utilizado en el ámbito de la inteligencia artificial. Dada una base
de datos se construyen diagramas de construcciones lógicas, muy similares a los sistemas de
predicción basados en reglas, que sirven para representar y categorizar una serie de
condiciones que ocurren de forma sucesiva, para la resolución de un problema.

Un árbol de decisión tiene unas entradas las cuales pueden ser un objeto o una situación
descrita por medio de un conjunto de atributos y a partir de esto devuelve una respuesta la
cual en últimas es una decisión que es tomada a partir de las entradas. Los valores que
pueden tomar las entradas y las salidas pueden ser valores discretos o continuos. Se utilizan
más los valores discretos por simplicidad, cuando se utilizan valores discretos en las
funciones de una aplicación se denomina clasificación y cuando se utilizan los continuos se
denomina regresión.

Un árbol de decisión lleva a cabo un test a medida que este se recorre hacia las hojas para
alcanzar así una decisión. El árbol de decisión suele contener nodos internos, nodos de
probabilidad, nodos hojas y arcos. Un nodo interno contiene un test sobre algún valor de una
de las propiedades. Un nodo de probabilidad indica que debe ocurrir un evento aleatorio de
acuerdo a la naturaleza del problema, este tipo de nodos es redondo, los demás son
cuadrados. Un nodo hoja representa el valor que devolverá el árbol de decisión y finalmente
las ramas brindan los posibles caminos que se tienen de acuerdo a la decisión tomada.

De forma más concreta, refiriéndonos al ámbito empresarial, podemos decir que los árboles
de decisión son diagramas de decisiones secuenciales nos muestran sus posibles resultados.
Éstos ayudan a las empresas a determinar cuales son sus opciones al mostrarles las distintas
decisiones y sus resultados. La opción que evita una pérdida o produce un beneficio extra
tiene un valor. La habilidad de crear una opción, por lo tanto, tiene un valor que puede ser
comprado o vendido.
El árbol de decisión es un diagrama que representa en forma secuencial condiciones y
acciones; muestra qué condiciones se consideran en primer lugar, en segundo lugar y así
sucesivamente. Este método permite mostrar la relación que existe entre cada condición y el
grupo de acciones permisibles asociado con [Link] árbol de decisión sirve para modelar
funciones discretas, en las que el objetivo es determinar el valor combinado de un conjunto de
variables, y basándose en el valor de cada una de ellas, determinar la acción a ser tomada.
Los árboles de decisión son normalmente construidos a partir de la descripción de la narrativa
de un problema. Ellos proveen una visión gráfica de la toma de decisión necesaria,
especifican las variables que son evaluadas, qué acciones deben ser tomadas y el orden en
la cual la toma de decisión será efectuada. Cada vez que se ejecuta un árbol de decisión, solo
un camino será seguido dependiendo del valor actual de la variable evaluada.

Ejemplo:

La compañía ABC ha desarrollado una nueva línea de productos. La administración debe

decidir una estrategia de marketing y producción adecuada. Se consideran tres estrategias,
las cuales denominaremos: A (agresiva), B (básica) y C (precavida). Las condiciones del
mercado bajo estudio se denotan mediante S (fuerte) o W (débil). Las mejores estimaciones
de la administración para cada caso se muestran en la tabla.

Además, la administración también estima que las probabilidades de que el Mercado sea
fuerte o débil son 0.45 y 0.55 respectivamente. ¿Cuál estrategia debería ser escogida?
Solución:
Se puede calcular el valor esperado para cada decisi´on y seleccionar la mejor:

La decisión óptima es seleccionar B.

Una manera más conveniente de representar este problema es usando árboles de decisión,
como en la siguiente figura:

1
María, C., & Riff. (2003).
‌
 2

Nomenclatura: Un nodo cuadrado representará un punto en el cual se debe tomar una

decisión, y cada línea abandonando el cuadrado representa una posible decisión. Un nodo
círculo representa situaciones cuyas ocurrencias son inciertas, y cada línea abandonando el
círculo representa un posible acontecimiento. El proceso de usar un árbol de decisión para
encontrar la decisión óptima se denomina resolver el árbol. Para resolver el árbol se trabaja
desde atrás hacia adelante. Esto se llama retorno del árbol. Primero, las ramas terminales se
llevan hacia atrás calculando un valor esperado para cada nodo terminal. La administración
debe resolver un problema más simple que es el de elegir la alternativa que lleva al valor
esperado más alto del nodo terminal. De esta forma un árbol de decisión provee una forma
más gráfica de ver el problema. Se utiliza la misma información que antes y se realizan los
mismos cálculos.

Usos más comunes del árbol de decisión:

● Optimización de rutas de transporte: Los árboles de decisión pueden utilizarse para
determinar la mejor ruta de transporte para entregas o distribución de productos.
Consideran factores como la distancia, el tiempo de viaje y los costos asociados para
elegir la ruta más eficiente.
● Gestión de inventarios: En la gestión de inventarios, los árboles de decisión pueden
ayudar a determinar cuándo realizar pedidos de reposición de productos, teniendo en
cuenta la demanda, el costo de mantener el inventario y los tiempos de entrega.

2
María, C., & Riff. (2003).
 ● Programación de la producción: Para empresas manufactureras, los árboles de
decisión pueden ayudar a programar la producción de diferentes productos o
componentes, teniendo en cuenta las restricciones de recursos, los costos y la
demanda del mercado.
● Evaluación de Proyectos de inversión: Los árboles de decisión se utilizan para evaluar
proyectos de inversión, considerando diferentes escenarios y resultados posibles. Esto
ayuda a tomar decisiones informadas sobre la viabilidad de un proyecto.

3.5. Teoría de utilidad

La teoría de la utilidad trata de explicar el comportamiento del consumidor. Desde esta
perspectiva se dice que la utilidad es la aptitud de un bien para satisfacer las necesidades.
Así un bien es más útil en la medida que satisfaga mejor una necesidad. Esta utilidad es
cualitativa (las cualidades reales o aparentes de los bienes!) es espacial (el objeto debe
encontrarse al alcance del individuo) y es temporal se refiere al momento en que se satisface
la necesidad.
Esta teoría parte de varios supuestos:
● El ingreso del consumidor por unidad de tiempo es limitado.
● Las características del bien determinan su utilidad, por tanto afectan las decisiones del
consumidor.
● El consumidor busca maximizar su satisfacción total (utilidad total), por tanto gasta todo
su ingreso.
● El consumidor posee información perfecta es decir conoce los bienes (sus
características y precios.)
● El consumidor es racional, esto quiere decir que busca lograr sus objetivos, en este
caso trata de alcanzar la mayor satisfacción posible. Esto quiere decir que el
consumidor es capaz de determinar sus preferencias, ser consistente en relación con
sus preferencias. Así si el consumidor prefiere el bien A sobre el bien B prefiere el bien
C sobre el bien B entonces preferirá el bien A sobre el bien C (transitividad)
A partir de los supuestos ' conceptos mencionados se definen dos conceptos de utilidad o
satisfacción:
● Utilidad Total: es la satisfacción total de consumir una cierta cantidad de un bien.
● Utilidad marginal: es la satisfacción extra de una unidad de consumo adicional.
Suponga que un consumidor tiene mucha hambre y decide comprar una unidad de
pan. La utilidad que obtiene por este primer pan es de 50. Luego, decide comprar una
unidad adicional, que le reporta una utilidad de 30. Luego, decide consumir otra unidad,
la que le da una utilidad de 10. Finalmente, compra otra unidad, la que ya no le reporta
ninguna utilidad pues ya no tiene hambre y ha comido bastante (ha llegado al punto de
saturación) La utilidad que reporta cada unidad de pan adicional es la utilidad marginal,
la que es decreciente puesto que el consumidor valora cada vez menos el pan una vez
que ya ha consumido una unidad.
 3

Pensando así, podemos determinar que dentro de la teoría de utilidad se pueden rescatar las
siguientes características:
-Valor subjetivo: La teoría de la utilidad se basa en la idea de que las personas asignan
valores subjetivos a los resultados o eventos futuros. Esto significa que la utilidad no se mide
objetivamente, sino que refleja las preferencias y percepciones individuales.
-Toma de decisiones bajo incertidumbre: La teoría de la utilidad se utiliza principalmente en
situaciones en las que los resultados futuros son inciertos y se caracterizan por
probabilidades y riesgos. Permite a las personas evaluar las opciones y tomar decisiones
basadas en sus preferencias y aversiones al riesgo.
-Función de utilidad: En la teoría de la utilidad, se utiliza una función de utilidad para
representar las preferencias del tomador de decisiones. Esta función asigna un valor de
utilidad a cada posible resultado o conjunto de resultados, lo que permite comparar y clasificar
las opciones disponibles.
-Aversión al riesgo: La teoría de la utilidad permite modelar la aversión al riesgo de las
personas. Algunas personas son más tolerantes al riesgo que otras, y esta aversión al riesgo
se refleja en la forma en que se modela la función de utilidad.

3
Paula Nicole Roldán. (2023). Utilidad marginal

‌
-Cálculo de utilidad esperada: Para tomar decisiones racionales, se utiliza el concepto de
utilidad esperada. Esto implica calcular el valor esperado de la utilidad para cada opción
disponible y elegir la que maximice la utilidad esperada.
-Racionalidad: La teoría de la utilidad parte del supuesto de que las personas toman
decisiones racionales al buscar maximizar su utilidad. Esto significa que las personas eligen
las opciones que consideran más deseables en función de sus preferencias y las
probabilidades asociadas con cada resultado.
-Análisis de sensibilidad: La teoría de la utilidad permite realizar análisis de sensibilidad para
evaluar cómo cambian las decisiones en función de diferentes escenarios, variaciones en las
preferencias o cambios en las probabilidades de los resultados.
-Aplicación en múltiples campos: La teoría de la utilidad se aplica en una amplia gama de
campos, incluyendo la economía, la gestión de inversiones, la toma de decisiones
empresariales, la atención médica, la ingeniería industrial y la investigación de operaciones,
entre otros.

3.6. Análisis de sensibilidad.

El análisis de sensibilidad es el primer paso para reconocer la incertidumbre. Nos interesa
examinar cómo el cambio en una variable afecta un resultado. Esto es de mucha utilidad
porque permite identificar las variables más críticas o construir escenarios posibles que
permitirán analizar el comportamiento de un resultado bajo diferentes supuestos. En pocas
palabras, el análisis de sensibilidad permite medir el cambio en un resultado, dado un cambio
en un conjunto de variables, tanto en términos relativos, como en términos absolutos.

Actualmente es de suma importancia las matemáticas como herramienta fundamental para

realizar cálculos, operaciones y obtener resultados. Por lo tanto, el análisis de sensibilidad es
una herramienta que proporciona la información básica para tomar una decisión sobre el
grado de riesgo que se decida [Link] mejores decisiones y asignar los recursos de
manera adecuada son algunos de los factores que posibilitan el éxito de un proyecto. El
análisis de sensibilidad permite que las empresas alcancen sus objetivos estratégicos al
facilitar estas condiciones. El análisis de sensibilidad es una herramienta de gestión que
permite a las organizaciones predecir los resultados de un proyecto, ayudando a comprender
las incertidumbres, las limitaciones y los alcances de un modelo de decisión. Permite
determinar cómo los diferentes valores de una variable independiente pueden afectar a una
variable dependiente particular. Es útil en una amplia gama de temas además de la gestión de
proyectos, como finanzas, ingeniería, geografía, biología, etc.

Existen dos tipos de análisis de sensibilidad: El local y el global.

El primero es una técnica que estudia el impacto de un solo parámetro a la vez en función al
costo, manteniendo las variables de manera fija. Y el análisis de sensibilidad global, en
cambio, utiliza una muestra global con el propósito de explorar el espacio de diseño.
USOS
● La aplicación clave del análisis de sensibilidad es indicar la sensibilidad de una
simulación a las incertidumbres en los valores de entrada del modelo.
● Es un método para predecir el resultado de una decisión si una situación resulta ser
diferente al compararla con las predicciones claves.
● Ayuda a evaluar el riesgo de una estrategia. Sirve para identificar qué tan dependiente
es el resultado con respecto a una variable particular de entrada.
● Analiza si la dependencia ayuda a evaluar el riesgo asociado.
● Ayuda a tomar decisiones informadas y [Link] para buscar errores en el
modelo, al encontrar relaciones inesperadas entre las entradas y los resultados.

METODOLOGÍA.

Para hacer un análisis de sensibilidad efectivo es necesario seguir una metodología que nos
permita identificar aquellas variables más susceptibles al cambio, y que presente un mayor
rango de afectación, a grandes rasgos se pueden considerar las siguientes consideraciones
para el planteamiento de susodicho análisis:

1. Definir claramente el problema de decisión que estás abordando. Esto implica

identificar las opciones de decisión disponibles, los resultados posibles y las
probabilidades asociadas a cada resultado en un contexto de incertidumbre.
2. Crea un modelo matemático o una estructura de árbol de decisión que represente el
problema. Asegúrate de incluir todas las variables relevantes y las relaciones entre
ellas.
3. Identifica las variables y parámetros del modelo que son críticos para la toma de
decisiones. Estos son los elementos que, si cambian, pueden tener un impacto
significativo en las decisiones o resultados.
4. Reconocer que el cambio en el resultado depende de cómo se haya construido el
modelo y de los valores iniciales de las variables a analizar.
5. Los cambios en las variables deben ser iguales para todas de manera que se puedan
comparar los resultados.
6. Se debe reconocer la posibilidad de que las relaciones entre las variables y los
resultados no sean lineales.
7. Al analizar la sensibilidad de las variables hay que hacerlo de una en una si se desea
determinar cuáles de las variables son las más críticas.
8. Calcular las sensibilidades o cambios en las decisiones y resultados en respuesta a las
variaciones de los parámetros sensibles. Esto puede implicar calcular la sensibilidad de
la función objetivo o los valores esperados en los diferentes escenarios.
9. Analiza los resultados del análisis de sensibilidad para comprender cómo los cambios
en los parámetros afectan a las decisiones. Identificando las tendencias y relaciones
clave.
3.7. Decisiones secuenciales.
Normalmente, cuando se toma una decisión, y que una vez tomada condicionarán las
decisiones a tomar posteriormente. De alguna manera se dice que tomar decisiones es
relativamente sencillo; los problemas se presentan una vez tomadas. El decisor se enfrenta a
una secuencia de decisiones. Son decisiones encadenadas entre sí que se presentan a lo
largo del período de estudio previamente seleccionado. En consecuencia, la decisión inicial se
toma sobre la base de la consideración explícita de otras decisiones futuras. Este tipo de
decisiones se resuelven a través de los árboles de decisión.

Son decisiones encadenadas entre sí que se presentan a lo largo del período de estudio
previamente seleccionado. En consecuencia, la decisión inicial se toma sobre la base de la
consideración explícita de otras decisiones futuras.

En muchas ocasiones, sobre todo en aquellos proyectos que abarcan varios años, la decisión
inicial puede someterse a sucesivas decisiones posteriores, como consecuencia de ir
acumulando información. Así una decisión puede condicionar decisiones posteriores y a su
vez ser condicionada por decisiones tomadas con anterioridad a la misma. El análisis del
problema de decisión bajo el enfoque secuencial suele ser preferible al enfoque estático, dado
que es normal que una decisión tomada en el momento inicial condicione decisiones en los
momentos posteriores de tiempo.

Problema de decisión en el que se consideran una secuencia de decisiones, es decir,

decisiones posteriores dependientes de una decisión inicial. El análisis del problema de
decisión bajo el enfoque secuencial suele ser preferible al enfoque estático, dado que es
normal que una decisión tomada en el momento inicial condicione decisiones en los
momentos posteriores de tiempo. En este caso, se sintetiza la representación del problema a
través de un árbol de decisión dado que su representación en una matriz no es viable.

Se supone que la elección de una alternativa supone el abandono del resto. El resultado de
dicha decisión depende a su vez de un suceso incierto como es el estado de la naturaleza
que se produzca. Una vez producido un posible estado de la naturaleza, es posible elegir de
nuevo entre distintas alternativas, siendo sus resultados dependientes del estado de la
naturaleza que se produzca.

La solución de un problema de decisión secuencial, consiste en buscar la secuencia de

decisiones óptimas a adoptar. Vamos a resolverlo en un contexto de riesgo.

La técnica de resolución consiste en ir determinando los valores monetarios esperados en

cada punto de decisión, haciéndolo de derecha a izquierda, empezando por los resultados
finales. Distinguimos entre el valor de los nudos aleatorios (que son de los que parte los
estados de la naturaleza) es la media ponderada de los resultados posibles.
El valor de los nudos divisionales se obtiene tomando la esperanza matemática
correspondiente a la mejor decisión posible.
ELEMENTOS:
Además del agente y el entorno, se pueden identificar 4 sub elementos principales de un
sistema de toma de decisiones
secuencial:
1. Política: Define la forma de
actuar del agente en un
momento dado. Por sí sola es
suficiente para determinar el
comportamiento. Se representa
mediante un mapeo desde los
estados percibidos del entorno
hasta las acciones que se deben
tomar cuando el agente percibe
que se encuentra en esos
estados.
4

2. Señal de Recompensa: Define el objetivo de la

toma de decisiones. En cada paso de tiempo,
el entorno envía al agente un único valor real
5
llamado recompensa.
-Simplificación impuesta: un solo valor
numérico es suficiente para evaluar la bondad
de un estado (reduce el objetivo del agente a
maximizar la recompensa total que recibe a
largo plazo).
-Es la base principal para modificar la política: si una acción seleccionada por la política
produce una baja recompensa, entonces la política puede intentar cambiarse para
seleccionar en el futuro alguna otra acción más prometedora (que proporcione una
mayor recompensa) en esa misma situación (aunque esta visión es tan cortoplacista
como un algoritmo voraz).

3. Función de Valor: Mientras que la señal de recompensa indica lo que es bueno en un

sentido inmediato, una función de valor específica lo que es bueno a largo plazo. A
grandes rasgos, el valor de un estado es la cantidad total de recompensa que un
agente puede esperar acumular en el futuro partiendo de ese estado. Las
recompensas son primarias, los valores son secundarios. Sin recompensas no hay

4
(2023). [Link].

‌
5
(2023). [Link].
 valores, y el propósito de estimar valores es conseguir más recompensas. Pero son los
valores los que más interesan al tomar y evaluar decisiones: Las elecciones de acción
se hacen en base a juicios de valor. Es más difícil determinar los valores que las
recompensas: las recompensas vienen dadas directamente por el entorno, pero los
valores deben ser estimados y estimados a partir de las secuencias de observaciones.
El componente más importante de casi todos los algoritmos de toma de decisiones que
vamos a considerar es un método para estimar eficazmente los valores.
4. Modelo del Entorno. Se trata de algo que imita el comportamiento del entorno o, más
generalmente, que permite hacer inferencias sobre cómo se comportará el entorno. Por
ejemplo, dado un estado y una acción, el modelo puede predecir el siguiente estado y
la siguiente recompensa resultantes. Se utilizan para planificar por medio de la
simulación. Un modelo correcto permite adelantarse a la evolución del sistema e inferir
más sencillamente en qué situación nos encontraríamos si realizáramos ciertas
acciones sin necesidad de ejecutarlas. Los métodos para resolver problemas de toma
de decisiones que utilizan modelos y planificación se denominan métodos basados en
modelos, en contraposición a los métodos más sencillos sin modelos, o libres de
modelos, que son explícitamente aprendices de prueba y error, considerados casi lo
contrario de la planificación.

3.8. Uso de software

El uso de software se refiere a un sistema de información que respalda las actividades de
toma de decisiones empresariales u organizativas. También conocido como Decision Support
System o DSS, aborda los niveles de planificación, operación y administración de una
compañía. Su objetivo es ayudar a los líderes y empleados a tomar decisiones sobre
problemas que pueden estar cambiando rápidamente y que no se diagnostican fácilmente con
anticipación. En efecto, algunos académicos en el campo han ampliado la definición de DSS
para incluir cualquier sistema que pueda respaldar la toma de decisiones.

Un DSS correctamente diseñado es un sistema interactivo basado en software creado para

ayudar a los tomadores de decisiones a recopilar información útil a partir de una combinación
de datos en bruto, documentos y conocimiento personal o modelos comerciales para
identificar, resolver problemas y tomar decisiones

Funciones de un sistema de soporte de decisiones

-Rapidez en el tiempo de respuesta: Gracias a que todos los datos se encuentran
perfectamente almacenados y convertidos en informes, el sistema de soporte de decisiones
podrá agilizar tus deliberaciones.
-Integración de todos los departamentos: Los datos que las herramientas de toma de
decisiones utilizan provienen de todos los procesos y áreas de la empresa para ofrecer un
perfecto análisis global.
-Histórico de datos:En lo que refiere tratamiento de datos personales, en un sistema de apoyo
a las decisiones podrás comparar los datos actuales con información de períodos anteriores
con el objetivo de analizar las tendencias, detectar incidencias, etc.

Softwares más utilizados:

1. Microsoft Excel: Excel es ampliamente utilizado para crear modelos de decisión
sencillos, incluyendo hojas de cálculo para análisis de costo-beneficio, árboles de
decisiones y análisis de sensibilidad. Las funciones de Excel permiten realizar cálculos
y escenarios fácilmente.
2. TreePlan: TreePlan es un complemento de Excel que facilita la creación y análisis de
árboles de decisiones. Es útil para tomar decisiones bajo incertidumbre y calcular
valores esperados y utilidades esperadas.
3. Analytic Solver Platform: Esta es otra herramienta de análisis de riesgos y decisiones
que se integra con Excel. Proporciona capacidades avanzadas para la modelización y
simulación de decisiones.
4. DecisionTools Suite (de Palisade): Esta suite de software incluye herramientas como
@RISK (para simulación de riesgos), PrecisionTree (para árboles de decisiones) y
TopRank (para análisis de sensibilidad). Es ampliamente utilizado en la toma de
decisiones cuantitativas.
5. Lindo/Lingo: Lindo y Lingo son herramientas de optimización que se utilizan para
abordar problemas de decisión complejos, como la programación lineal, entera y no
lineal. Son útiles en la optimización de recursos y la toma de decisiones estratégicas.
6. GAMS (General Algebraic Modeling System): GAMS es una herramienta utilizada para
resolver modelos matemáticos complejos, como modelos de programación lineal,
cuadrática y entera. Se usa en la toma de decisiones y en la optimización de recursos.
7. IBM Decision Optimization CPLEX: Esta es una herramienta de optimización avanzada
que permite resolver problemas de decisión complejos y de gran escala. Se utiliza en la
toma de decisiones empresariales y operacionales.
8. SolverStudio: Este complemento gratuito para Excel permite la modelización y
resolución de problemas de optimización utilizando solucionadores como PuLP, Gurobi
y otros. Es útil para la toma de decisiones relacionadas con la optimización.
 Conclusión.
La teoría de decisión abarca una gran diversidad de conceptos que son fundamentales para
el desarrollo de modelos matemáticos que nos permiten comparar las múltiples alternativas
posibles de un problema, y que además se generen el menor grado de incertidumbre posible,
dado que así obtendremos soluciones más satisfactorias. A lo largo de esta recopilación de
información, se ha logrado profundizar en varios temas clave que se entrelazan y
complementan entre sí, lo que nos permite tomar decisiones informadas, eficientes y
efectivas.
Uno de los pilares fundamentales en la teoría de decisiones es la comprensión e introducción
a las características generales de un problema. Esto implica la identificación de las opciones
de decisión disponibles, los resultados posibles que pueden surgir de cada opción y las
probabilidades asociadas a esos resultados con un cierto grado de incertidumbre. Esta etapa
es esencial para establecer una base sólida para la toma de decisiones y permite la aplicación
de criterios de decisión tanto en escenarios deterministas como en escenarios probabilistas,
además de que nos brinda un contexto general de aquellos aspectos básicos que debe de
tener el proceso de toma de decisión.

Los criterios de decisión, ya sean deterministas o probabilistas, son herramientas que

utilizamos para evaluar y comparar las opciones disponibles. Los criterios deterministas, como
el criterio de maximización de beneficios o minimización de costos, se aplican cuando las
probabilidades de los resultados son conocidas con certeza, lo cual nos permitirá elegir la
opción más favorable para el futuro. Por otro lado, los criterios probabilistas, como el valor
esperado o el valor esperado de la información perfecta, se utilizan en situaciones donde
existe incertidumbre sobre los resultados. Los cuales son de suma importancia aplicarse para
siempre dejar un espacio a aquellas situaciones no esperadas, y que a través de estos nos
arrojen la mejor alternativa disponible. Pensando en esto, es aquí en donde entra, el valor de
la información perfecta, el cual nos permite cuantificar cuánto es el grado de incertidumbre
que estamos dispuestos a eliminar para mejorar los datos presentados dentro de un
problema, este valor juega un papel crucial en la evaluación de la utilidad de obtener más
datos y en la optimización de la toma de decisiones.

De la misma manera, es importante rescatar una herramienta esencial para la teoría de

decisión, el cuál es el árbol de decisión se destaca para representar visualmente las opciones
y resultados, lo que facilita la identificación y la comprensión de las mismas. Así mismo, al
árbol de decisión se le puede aplicar un análisis de sensibilidad, el cual nos permite evaluar
cómo cambian nuestras decisiones y resultados ante variaciones en los datos de entrada o
elementos del modelo. Esto es esencial para comprender la robustez de nuestras decisiones
y considerar diferentes escenarios, condiciones, o opciones.
Por otra parte, nos encontramos con un tipo de decisiones que nos permiten determinar
ciertos comportamientos de nuestros modelos matemáticos a través de una serie de
elementos que le agregan valor y propiedades al mismo, tomando en consideración aspectos
como la política , la señal de recompensa y el modelo de valor, los cuales nos encaminan
hacia las decisiones secuenciales, las cuales nos dictan decisiones encadenadas entre sí que
se presentan a lo largo del período de estudio previamente seleccionado, y que determinan el
comportamiento de manera jerárquica.

Finalmente, pero no por ello menos importante, nos encontramos con herramientas digitales
que nos ayudan a desarrollar estos modelos de decisión, tales como solver y treeplan, el uso
de estos softwares especializados agiliza y mejora todo el proceso. Estas herramientas nos
ayudan a modelar, analizar y resolver problemas de decisión de manera eficiente y precisa, lo
que es esencial en un mundo empresarial y de ingeniería cada vez más competitivo.
Bibliografía:
➔ Teoria DE Decisiones. (2021). Studocu; Studocu.
[Link]
nistracion-de-operaciones/teoria-de-decisiones/32960659
➔ de. (2021, September 14). Características generales de la Teoría de Decisiones -
Prácticas o problemas - akit14. [Link].
[Link]
%C3%ADa-de-Decisiones/[Link]
➔ criterios de decisión deterministicos y probabilisticos. (2018). [Link].
[Link]
ame=48009daf6a0943459ab9de2fb0ff25f2fc20c402
➔ Toma de decisiones con riesgo
➔ By URL:
[Link]
ones%20con%20riesgo%[Link]
➔ María, C., & Riff. (2003). Investigación de Operaciones II.
[Link]
➔ ¿Qué es un árbol de decisión? | IBM. (2023). [Link].
[Link]
➔ 3.5 Teoria de Utilidad. (2019). Scribd.
[Link]
➔ Javier, F. (2019). INVESTIGACION DE OPERACIONES ii. [Link].
[Link]
download
➔ Paula Nicole Roldán. (2023). Utilidad marginal - Definición, qué es y concepto |
Economipedia. Economipedia.
[Link]
0utilidad%20marginal,-A%20continuaci%C3%B3n%2C%20presentamos&text=Supong
a%20que%20un%20consumidor%20tiene,da%20una%20utilidad%20de%2010.
➔ Teoria de Decisiones. (2020). Studocu; Studocu.
[Link]
stigacion-de-operaciones-ii/teoria-de-decisiones/23956237?origin=course-suggestion-1
➔ ‌Universidad Nacional de Salta (2020).
[Link]
f
➔ ‌(2023). [Link].
[Link]
➔ unidad 3 io2 - [Link]. (2015, November 13). [Link].
[Link]
➔ Resumen Unidad 3 [Link] - INDICE Introducción. 3.1 Características generales de la
Teoría de Decisiones . 3.2 Criterios de decisión Determinísticos y | Course Hero.
 (2020). [Link].
[Link]
➔ Servicio. (2023, May 17). Sistema de soporte de decisiones: 8 TIPOS INCREÍBLES.
Zendesk MX. [Link]